
Image('title.png')


import os 
import geopandas as gpd 
import osmnx as ox 
import networkx as nx
from shapely.geometry import Point

import numpy as np
import pandas as pd
from tqdm import tqdm
import matplotlib.pyplot as plt

from pyproj import Transformer
from matplotlib.colors import TwoSlopeNorm

from IPython.display import clear_output
from IPython.display import Image

import pickle

import warnings
warnings.filterwarnings(action='ignore')
import sys
sys.stdout = open(os.devnull, 'w')
sys.stderr = open(os.devnull, 'w')
root = os.getcwd()

pd.options.display.float_format = '{:.0f}'.format
plt.rcParams['font.family'] = 'Malgun Gothic'


with open("subway_name.pickle","rb") as fi:
    subway_name = pickle.load(fi) 
subway_name = subway_name.rename(columns={'subway_name' : 'SUBWAY_STA'} )
data_path = os.path.join(root, 'subway_statn_info')
subway = gpd.read_file(os.path.join(data_path,'subway_statn_info.shp'),encoding='EUC-KR')
subway['SUBWAY_STA'] = subway_name['SUBWAY_STA']
subway.head()


# 지하철역 좌표추출
subway = subway.to_crs(epsg=5179) # 좌표계 변환 
sub_crds = [[list(subway.geometry[i].coords)[0][0], list(subway.geometry[i].coords)[0][1]] for i in range(len(subway))]
sub_crds_arr = np.array(sub_crds)


ediya = pd.read_csv('ediya.csv')
starbucks = pd.read_csv('starbucks.csv')


# 좌표계 변환 
transformer = Transformer.from_crs("epsg:4326", "epsg:5179", always_xy=True)
ediya['longitude'],ediya['latitude'] = transformer.transform(ediya['lng'],ediya['lat'])
starbucks['longitude'],starbucks['latitude'] = transformer.transform(starbucks['lng'],starbucks['lat'])


ediya = ediya[['gu','title','address','lat','lng','longitude','latitude']]
geometry = [Point(xy) for xy in zip(ediya['longitude'], ediya['latitude'])]
ediya_geo = gpd.GeoDataFrame(ediya, geometry=geometry)
ediya_geo.head()


starbucks = starbucks[['구','title','address','lat','lng','longitude','latitude']]
starbucks = starbucks.rename(columns={'구' : 'gu'})
geometry = [Point(xy) for xy in zip(starbucks['longitude'], starbucks['latitude'])]
starbucks_geo = gpd.GeoDataFrame(starbucks, geometry=geometry)
starbucks_geo.head()


with open('G_utm.pkl', 'rb') as file:
    G_utm = pickle.load(file)


nearest_sub, dist_sub = ox.distance.nearest_nodes(G_utm, X=sub_crds_arr[:,0], Y=sub_crds_arr[:,1], return_dist=True)
nearest_sb, dist_sb      = ox.distance.nearest_nodes(G_utm, X=starbucks['longitude'], Y=starbucks['latitude'], return_dist=True)
nearest_id, dist_id      = ox.distance.nearest_nodes(G_utm, X=ediya['longitude'], Y=ediya['latitude'], return_dist=True)


G_utm_nodes = list(G_utm.nodes) 
subway_idx = [G_utm_nodes.index(nearest_sub[i]) for i in range(len(nearest_sub))]
sb_idx = [G_utm_nodes.index(nearest_sb[i]) for i in range(len(nearest_sb))]
id_idx = [G_utm_nodes.index(nearest_id[i]) for i in range(len(nearest_id))]


gutm_locat_3p(G_utm,starbucks,ediya,sub_crds_arr,'스타벅스','이디야','지하철역','서울특별시 도로네트워크 지하철역,스타벅스,이디야 매장')


si_file = "./sig_emd/sig_20230729/sig.shp"
sigu = gpd.read_file(si_file, encoding='euckr')
sigu = sigu.set_crs(epsg=5179) # sigu 수동으로 좌표계를 설정


sigu['CTPRVN_CD'] = [str(num)[:2] for num in sigu['SIG_CD']]
sigu = sigu.loc[sigu['CTPRVN_CD']=='11']
starbucks_count = starbucks_geo.groupby('gu').size().reset_index(name='starbucks_count')
starbucks_count = starbucks_count.rename(columns={'gu' : 'SIG_KOR_NM'} )
ediya_count = ediya_geo.groupby('gu').size().reset_index(name='ediya_count')
ediya_count = ediya_count.rename(columns={'gu' : 'SIG_KOR_NM'} )
sigu = sigu.merge(starbucks_count, on='SIG_KOR_NM')
sigu = sigu.merge(ediya_count, on='SIG_KOR_NM')


sigu['sb_id'] = sigu['starbucks_count']-sigu['ediya_count']
for index, rows in sigu.iterrows():
    if rows['sb_id']>0:
        sigu.at[index, 'sb_id_1']= "SB: +"+str(rows['sb_id'])
    elif rows['sb_id']==0:
        sigu.at[index, 'sb_id_1']= "동일"
    else:
        sigu.at[index, 'sb_id_1']= "ED: +"+str(rows['sb_id']*-1)


with open("rprice.pickle","rb") as fi:
    rprice = pickle.load(fi) 
rprice['공시지가'] = rprice['공시지가'].astype(float)
rprice = rprice[rprice['시도명']=="서울특별시"]
rprice_gu = rprice.groupby('시군구명')['공시지가'].mean().reset_index(name='공시지가 평균')
rprice_gu = rprice_gu.rename(columns={'시군구명' : 'SIG_KOR_NM'} )
sigu = sigu.merge(rprice_gu, on='SIG_KOR_NM')


gu_sub = pd.read_csv('서울교통공사_자치구별지하철역정보_20240628.csv',encoding='euckr')
gu_sub = gu_sub.rename(columns={'자치구' : 'SIG_KOR_NM'} )
sigu = sigu.merge(gu_sub.drop(columns = ['해당역(호선)']), on='SIG_KOR_NM')
sigu.head()


# 공시지가 평균 - 구 평균, 구 최소, 구 최대
round(sigu['공시지가 평균'].mean()),round(sigu['공시지가 평균'].min()),round(sigu['공시지가 평균'].max())

(4668753, 2390374, 11925742)


add_text_sb = "평균 공시지가가 높을수록 붉은색, 낮을수록 파랑색"
title_text = "서울 구별 평균 공시지가"
map_color_text(sigu,'공시지가 평균','coolwarm','평균 공시지가 최소값 ~ 최대값 ( 단위:천만원 )','SIG_KOR_NM',add_text_sb,title_text)


add_text_sb = '역개수가 더 많을수록 붉은색, 적을수록 파랑색'
title_text = '서울 구별 지하철역 수 COLORMAP'
map_color_text(sigu,'역개수','coolwarm','역개수 최소값 ~ 최대값','SIG_KOR_NM',add_text_sb,title_text)


starbucks_geo.shape,ediya_geo.shape # 이디야가 72개 더 많다.

((614, 8), (686, 8))


add_text_sb = '스타벅스(SB)가 더 많을수록 붉은색, 이디야(ED)가 더 많을수록 파랑색'
title_text = "서울 구별 '스타벅스'&'이디야' 매장 수 차이"
map_color_text(sigu,'sb_id','coolwarm','매장 수 차이 최소값 ~ 최대값','sb_id_1',add_text_sb,title_text)


Image('seoul_sb_ed01.png')


starbucks_1 = nearest_fun(G_utm,nearest_sb,nearest_sub,starbucks)


ediya_1 = nearest_fun(G_utm,nearest_id,nearest_sub,ediya)


sb_gu_mean = starbucks_1.groupby('gu')['dist2sub'].mean().reset_index()
sb_gu_mean = sb_gu_mean.sort_values(by='dist2sub', ascending=True)
id_gu_mean = ediya_1.groupby('gu')['dist2sub'].mean().reset_index()
id_gu_mean = id_gu_mean.sort_values(by='dist2sub', ascending=True)
sb_gu_mean = sb_gu_mean.rename(columns={'gu' : 'SIG_KOR_NM'} )
id_gu_mean = id_gu_mean.rename(columns={'gu' : 'SIG_KOR_NM'} )
sb_gu_mean = sb_gu_mean.rename(columns={'dist2sub' : '평균거리_sb'} )
id_gu_mean = id_gu_mean.rename(columns={'dist2sub' : '평균거리_ed'} )
sigu = sigu.merge(sb_gu_mean, on='SIG_KOR_NM')
sigu = sigu.merge(id_gu_mean, on='SIG_KOR_NM')
# 이디야 최단거리(평균) - 스타벅스 최단거리(평균)
sigu['평균거리_차이'] = sigu['평균거리_ed']-sigu['평균거리_sb']
sigu.head()


add_text_sb = '최단거리(평균)가 짧을수록 파랑색, 길수록 붉은색'
title_text = '스타벅스 매장에서 지하철역까지 최단거리 구별 평균 COLORMAP'
map_color_text(sigu,'평균거리_sb','coolwarm','최단거리 평균 최소값~최대값','SIG_KOR_NM',add_text_sb,title_text)


add_text_sb = '최단거리(평균)가 짧을수록 파랑색, 길수록 붉은색'
title_text = '이디야 매장에서 지하철역까지 최단거리 구별 평균 COLORMAP'
map_color_text(sigu,'평균거리_ed','coolwarm','최단거리 평균 최소값~최대값','SIG_KOR_NM',add_text_sb,title_text)


sigu['평균거리_ed'].mean(),sigu['평균거리_sb'].mean(),sigu['평균거리_차이'].mean()

(583.5464143802974, 464.65921912733825, 118.8871952529592)


add_text_sb = '이디야 최단거리(평균)가 스타벅스보다 길수록 붉은색, 짧을수록 파랑색'
title_text = '이디야 최단거리(평균) & 스타벅스 최단거리(평균) 차이 COLORMAP'
map_color_text1(sigu,'평균거리_차이','coolwarm','최단거리 평균 차이 최소값~최대값','SIG_KOR_NM',add_text_sb,title_text)


Image('seoul_sb_ed02.png')


with open('G_gang.pkl', 'rb') as file:
    G_gang = pickle.load(file)


subname_gang = ['삼성역','선릉역','역삼역','강남역','압구정역','신사역','매봉역','도곡역','대치역','학여울역','대청역','일원역','수서역','청담역','강남구청역','학동역','논현역','언주역','선정릉역','삼성중앙역','봉은사역']
subway_gang = subway[ subway['SUBWAY_STA'].isin(subname_gang) ]
sub_gang_arr = sub_crds_arr[subway_gang.index]
starbucks_gang = starbucks[starbucks['gu']=='강남구']
ediya_gang = ediya[ediya['gu']=='강남구']


round(starbucks_gang['dist2sub'].mean()),round(ediya_gang['dist2sub'].mean())

(489, 553)


gnode_near_vi(G_gang,sub_gang_arr,starbucks_gang,"강남구","(스타벅스)")
gnode_near_vi(G_gang,sub_gang_arr,ediya_gang,"강남구","(이디야)")


def nearest_fun(G_utm,nearest_sb,nearest_sub,df):
    shortest_dist2sub = [] 
    shortest_dist2sub_p = [] 
    for i in tqdm(range(len(nearest_sb))): 
        centroid_point = (G_utm.nodes[nearest_sb[i]]['x'], G_utm.nodes[nearest_sb[i]]['y']) 
        buffer = Point(centroid_point).buffer(1000) 
        # 1000미터 이내의 지하철역 찾기 ======================================================================
        temp = [] 
        temp_sub = [] 
        for j in range(len(nearest_sub)): 
            subway_point_xy = (G_utm.nodes[nearest_sub[j]]['x'], G_utm.nodes[nearest_sub[j]]['y']) 
            if buffer.contains(Point(subway_point_xy)):
                try: 
                    dist = nx.shortest_path_length(G_utm, nearest_sb[i], nearest_sub[j],weight='length')
                    temp.append(dist)
                    temp_sub.append(nearest_sub[j])
                except: 
                    pass
        if len(temp) > 0 : 
            shortest_dist2sub.append(min(temp))
            shortest_dist2sub_p.append(temp_sub[temp.index(min(temp))])       
        else: 
            shortest_dist2sub.append(None)
            shortest_dist2sub_p.append(None)

    df['dist2sub'] = shortest_dist2sub   
    df['dist2sub_p'] = shortest_dist2sub_p
    return(df)


def nearest_vi_1(G_utm,nearest,nearest_sub,size1,size2,nd_color,inout,range1,mark_size1,mark_size2,mk_color1,mk_color2,rou_alpha,gu,add_text ):
    import matplotlib.cm as cm
    import matplotlib.colors as mcolors
    
    viewer = inout
    if viewer=='out':
        %matplotlib tk  
    if viewer=='in':
        %matplotlib inline         
    fig, ax = plt.subplots(figsize=(size1,size2))
    ox.plot_graph(G_utm, ax=ax, node_size=0, edge_color='gray', show=False, close=False)

    # 컬러맵 설정
    cmap = cm.get_cmap(nd_color)
    norm = mcolors.Normalize(vmin=0, vmax= range1 )  
    for i in range(len(nearest)):
        centroid_point = (G_utm.nodes[nearest[i]]['x'], G_utm.nodes[nearest[i]]['y'])
        buffer = Point(centroid_point).buffer(range1)
        temp = []
        temp_sub = []

        for j in range(len(nearest_sub)):
            subway_point_xy = (G_utm.nodes[nearest_sub[j]]['x'], G_utm.nodes[nearest_sub[j]]['y'])
            if buffer.contains(Point(subway_point_xy)):
                try:
                    dist = nx.shortest_path_length(G_utm, nearest[i], nearest_sub[j], weight='length')
                    temp.append(dist)
                    temp_sub.append(nearest_sub[j])
                except:
                    pass

        if len(temp) > 0:
            shortest_path = nx.shortest_path(G_utm, nearest[i], temp_sub[temp.index(min(temp))], weight='length')
            path_length = temp[temp.index(min(temp))]
            color = cmap(norm(path_length))  
            ox.plot_graph_route(G_utm, shortest_path, ax=ax,route_alpha=rou_alpha , route_linewidth=3, route_color=color,orig_dest_size=0, show=False, close=False)

    nearest_x = [G_utm.nodes[nearest[idx]]['x'] for idx in range(len(nearest)) ]
    nearest_y = [G_utm.nodes[nearest[idx]]['y'] for idx in range(len(nearest)) ]
    ax.scatter(nearest_x,nearest_y, color='black', s=mark_size1, alpha=1, zorder=5, edgecolor=mk_color1,label='매장')

    nearest_sub_x = [G_utm.nodes[nearest_sub[idx]]['x'] for idx in range(len(nearest_sub)) ]
    nearest_sub_y = [G_utm.nodes[nearest_sub[idx]]['y'] for idx in range(len(nearest_sub)) ]
    ax.scatter(nearest_sub_x,nearest_sub_y, color='white', s=mark_size2, alpha=1, zorder=5, edgecolor=mk_color2,label='지하철역')
    plt.legend(loc='upper right')
    plt.title('서울특별시 '+gu+'의 각 매장에서 지하철역까지의 최단 경로')
    plt.colorbar(cm.ScalarMappable(norm=norm, cmap=cmap), ax=ax, label='Distance to Subway (meters)',shrink=0.25) # shrink 막대그래프 범례 크기
    plt.text(0.5,0.98, add_text, ha='center', va='center', transform=ax.transAxes, fontsize=12)
    plt.show()


def gnode_near_vi(G_mapo,sub_mapo_arr,starbucks_mapo,gu,add_text):
    n_mapo_sub, d_mapo_sub = ox.distance.nearest_nodes(G_mapo, X=sub_mapo_arr[:,0], Y=sub_mapo_arr[:,1], return_dist=True)
    n_mapo_sb, d_mapo_sb      = ox.distance.nearest_nodes(G_mapo, X=starbucks_mapo['longitude'], Y=starbucks_mapo['latitude'], return_dist=True)
    nearest_vi_1(G_mapo,n_mapo_sb,n_mapo_sub,16,9,'bwr_r','in',1000,20,20,'white','black',1,gu,add_text)


def gutm_locat_3p(G_utm,starbucks,ediya,sub_crds_arr,label1,label2,label3,title):
    import matplotlib.cm as cm
    import matplotlib.colors as mcolors

    fig, ax = plt.subplots(figsize=(12, 12))
    ox.plot_graph(G_utm, ax=ax, node_size=0, edge_color='gray',edge_linewidth=0.25, show=False, close=False)
    cmap = cm.get_cmap('Reds_r')# 진한 붉은색에서 연한 붉은색으로,'Reds' : 연한 붉은색에서 진한 붉은색으로
    norm = mcolors.Normalize(vmin=0, vmax=1000)  # 1000 미터를 기준으로 정규화
    ax.scatter( starbucks['longitude'],starbucks['latitude'], color='red', s=15, alpha=1, zorder=1,label=label1)
    ax.scatter( ediya['longitude'],ediya['latitude'], color='green', s=15, alpha=1, zorder=1,label=label2)
    ax.scatter(sub_crds_arr[:, 0], sub_crds_arr[:, 1], color='white', s=15, alpha=1, zorder=1, edgecolor='black',label=label3)
    plt.legend(loc='upper right')

    plt.title(title)
    plt.show()


def map_color_text(sigu,var,colorm,cbar_label,var1,additional_text,title ):
    from matplotlib.colors import TwoSlopeNorm
    norm = TwoSlopeNorm(vmin=min(sigu[var]), vcenter =sigu[var].median() , vmax=max(sigu[var]))

    # 시각화
    fig, ax = plt.subplots(1, 1, figsize=(10,7))
    base = sigu.plot(column=var, ax=ax, legend=False, cmap=colorm, edgecolor='k', linewidth=0.5, norm=norm)

    sm = plt.cm.ScalarMappable(cmap=colorm, norm=norm)
    sm._A = [] 
    cbar = fig.colorbar(sm, ax=ax, shrink=0.25)  # shrink 매개변수로 높이 축소
    cbar.set_label(cbar_label, fontsize=8, weight='bold')

    for idx, row in sigu.iterrows():
        plt.text(row.geometry.centroid.x, row.geometry.centroid.y,row[var1],#"test",
                 horizontalalignment='center', fontsize=8, color='black', weight='bold')

    plt.text(0.5,0.98, additional_text, ha='center', va='center', transform=ax.transAxes, fontsize=10)
    ax.set_axis_off()
    ax.set_title(title, fontsize=12, weight='bold')
    plt.show()


def map_color_text1(sigu,var,colorm,cbar_label,var1,additional_text,title ):
    from matplotlib.colors import TwoSlopeNorm
    norm = TwoSlopeNorm(vmin=min(sigu[var]), vcenter = 0 , vmax=max(sigu[var]))

    fig, ax = plt.subplots(1, 1, figsize=(10,7))
    base = sigu.plot(column=var, ax=ax, legend=False, cmap=colorm, edgecolor='k', linewidth=0.5, norm=norm)

    sm = plt.cm.ScalarMappable(cmap=colorm, norm=norm)
    sm._A = [] 
    cbar = fig.colorbar(sm, ax=ax, shrink=0.25)  
    cbar.set_label(cbar_label, fontsize=8, weight='bold')

    for idx, row in sigu.iterrows():
        plt.text(row.geometry.centroid.x, row.geometry.centroid.y,row[var1],#"test",
                 horizontalalignment='center', fontsize=8, color='black', weight='bold')
    plt.text(0.5,0.98, additional_text, ha='center', va='center', transform=ax.transAxes, fontsize=10)
    ax.set_axis_off()
    ax.set_title(title, fontsize=12, weight='bold')
    plt.show()

	SUBWAY_STA	OPNG_YMD	SUBWAY__01	geometry
0	온수역	None	57	POINT (184330.338 443625.386)
1	천왕역	None	58	POINT (185637.754 443167.709)
2	남구로역	None	59	POINT (190001.728 442926.56)
3	구로디지털단지역	20070807	60	POINT (191231.554 442905.09)
4	도림천역	None	142	POINT (189654.644 446092.355)

	gu	title	address	lat	lng	longitude	latitude	geometry
0	강남구	강남YMCA점	서울 강남구 논현동	38	127	958615	1946147	POINT (958615.456 1946146.863)
1	강남구	강남구청역아이티웨딩점	서울 강남구 학동로 338 (논현동, 강남파라곤)	38	127	959362	1946462	POINT (959361.721 1946461.887)
2	강남구	강남논현학동점	서울 강남구 논현로131길 28 (논현동)	38	127	958249	1946316	POINT (958248.791 1946316.358)
3	강남구	강남대치점	서울 강남구 역삼로 415 (대치동, 성진빌딩)	38	127	960431	1944780	POINT (960430.89 1944779.522)
4	강남구	강남도산점	서울 강남구 도산대로37길 20 (신사동)	38	127	958600	1947101	POINT (958599.662 1947101.46)

	gu	title	address	lat	lng	longitude	latitude	geometry
0	강남구	역삼아레나빌딩	서울특별시 강남구 언주로 425 (역삼동)	38	127	959612	1944745	POINT (959612.309 1944744.958)
1	강남구	논현역사거리	서울특별시 강남구 강남대로 538 (논현동)	38	127	957775	1945763	POINT (957774.861 1945762.698)
2	강남구	신사역성일빌딩	서울특별시 강남구 강남대로 584 (논현동)	38	127	957634	1946180	POINT (957634.047 1946179.786)
3	강남구	국기원사거리	서울특별시 강남구 테헤란로 125 (역삼동)	37	127	958588	1944576	POINT (958588.421 1944575.806)
4	강남구	대치재경빌딩	서울특별시 강남구 남부순환로 2947 (대치동)	37	127	961334	1944025	POINT (961333.832 1944024.617)

	SIG_CD	SIG_ENG_NM	SIG_KOR_NM	geometry	CTPRVN_CD	starbucks_count	ediya_count	sb_id	sb_id_1	공시지가 평균	역개수
0	11110	Jongno-gu	종로구	POLYGON ((956615.453 1953567.199, 956621.579 1...	11	39	35	4	SB: +4	5938143	15
1	11140	Jung-gu	중구	POLYGON ((957890.386 1952616.746, 957909.908 1...	11	52	34	18	SB: +18	9949269	23
2	11170	Yongsan-gu	용산구	POLYGON ((953115.761 1950834.084, 953114.206 1...	11	24	13	11	SB: +11	6812485	10
3	11200	Seongdong-gu	성동구	POLYGON ((959681.109 1952649.605, 959842.412 1...	11	14	20	-6	ED: +6	4884766	14
4	11215	Gwangjin-gu	광진구	POLYGON ((964825.058 1952633.25, 964875.565 19...	11	19	20	-1	ED: +1	4371127	11

	SIG_CD	SIG_ENG_NM	SIG_KOR_NM	geometry	CTPRVN_CD	starbucks_count	ediya_count	sb_id	sb_id_1	공시지가 평균	역개수	평균거리_sb	평균거리_ed	평균거리_차이
0	11110	Jongno-gu	종로구	POLYGON ((956615.453 1953567.199, 956621.579 1...	11	39	35	4	SB: +4	5938143	15	404	429	25
1	11140	Jung-gu	중구	POLYGON ((957890.386 1952616.746, 957909.908 1...	11	52	34	18	SB: +18	9949269	23	377	415	38
2	11170	Yongsan-gu	용산구	POLYGON ((953115.761 1950834.084, 953114.206 1...	11	24	13	11	SB: +11	6812485	10	496	530	34
3	11200	Seongdong-gu	성동구	POLYGON ((959681.109 1952649.605, 959842.412 1...	11	14	20	-6	ED: +6	4884766	14	396	469	73
4	11215	Gwangjin-gu	광진구	POLYGON ((964825.058 1952633.25, 964875.565 19...	11	19	20	-1	ED: +1	4371127	11	368	580	212

스타벅스&이디야 입지환경 분석 & 지하철역 최단거리 분석 PART1¶

스타벅스 인근에 전략적으로 이디야가 입점한다는 말이 있지만, 공식적인 근거는 없어서 이에 대한 다양한 분석들이 이뤄지고 있다.¶

본 분석에서는 입지 환경적 측면, 특히 지하철역과 관련하여 두 브랜드의 위치적 관련성을 분석해 본다. 아래 두 파트로 진행해 보았다.¶

1. 구별 스타벅스 이디야 매장 입지환경 분석 ( 공시지가, 지하철역수, 매장수)¶

( PART2 에서 입지 환경의 다른 분야에 대해 분석 예정 )¶

2. 스타벅스 & 이디야 매장에서 지하철역까지의 최단거리 분석¶

데이터셋¶

지하철역, 스타벅스 매장, 이디야 매장 공간데이터¶

도로네트워크'와의 매핑¶

지하철역 & 두 브랜드 매장 서울 지도(도로네트워크)에 표시¶

1. 구별 스타벅스 이디야 매장 입지환경 분석¶

데이터셋 : 구별 경계 지도 데이터 + 스타벅스&이디야 데이터 + 지하철역 데이터 + 공시지가 데이터¶

1) 서울 구별 평균 공시지가 COLORMAP¶

2) 서울 구별 지하철역 수 COLORMAP¶

3) 서울 구별 '스타벅스'&'이디야' 매장 수 차이 COLORMAP¶

1)~3) 종합 분석¶

공시지가가 높은 구 그리고, 지하철역이 많은 구에 스타벅스 매장 수가 이디야보다 더 많다.¶

2. 스타벅스 & 이디야 매장에서 지하철역까지의 최단거리 분석 ( 각 매장에서 1000미터 이내 )¶

구별 평균 최단거리 생성 & 데이터셋 합치기¶

1) 스타벅스 매장에서 지하철역까지 최단거리 구별 평균 COLORMAP¶

2) 이디야 매장에서 지하철역까지 최단거리 구별 평균 COLORMA¶

3) 이디야 최단거리(평균) & 스타벅스 최단거리(평균) 차이 COLORMAP¶

1)~3) 종합 분석¶

두 브랜드 공통적으로 강북에 위치한 구들에서 지하철역까지의 최단거리(평균)가 짧다.¶

강남에 위치한 구들에서는 강북에 비해 최단거리(평균)가 길며, 특히 스타벅스가 더 뚜렷한 양상이 나타난다.¶

서울 대부분의 구에서 스타벅스가 이디야보다 지하철역까지의 최단거리(평균)가 더 짧다.¶

공시지가가 높고 지하철역이 많은 구에서는 차이가 매우 작게 나타난다.(종로,중구,용산,강남,송파)¶

3. 최단경로 도로네트워크 지도상 확인¶

함수¶

최근접 지하철역 노드, 거리 반환¶

최근접 지하철역 경로 시각화¶

변수에 따른 맵 구별 색상 변화 + TEXT¶